Glosario IA
El diccionario completo de la Inteligencia Artificial
Transformador Temporal
Arquitectura neuronal adaptada del transformador original para el procesamiento de series temporales, utilizando mecanismos de atención para capturar dependencias temporales a largo plazo. Esta arquitectura modifica los componentes del transformador estándar para gestionar mejor las características específicas de los datos secuenciales temporales.
Transformador de Series Temporales por Parches (PatchTST)
Arquitectura de transformador que divide las series temporales en parches para mejorar la eficiencia computacional y capturar patrones locales y globales. Este enfoque permite reducir la complejidad temporal mientras se preservan las relaciones temporales importantes en los datos.
Codificación Posicional Temporal
Mecanismo de codificación que inyecta información temporal en las series temporales para que el modelo comprenda el orden cronológico de las observaciones. A diferencia de la codificación posicional estándar para texto, debe tener en cuenta los intervalos de tiempo variables y las periodicidades.
Enmascaramiento de Atención Causal
Técnica de enmascaramiento que impide que el modelo utilice información futura durante la predicción, asegurando que la atención se centre únicamente en los pasos temporales pasados. Esencial para tareas de pronóstico donde las predicciones solo deben depender de datos históricos.
Arquitectura Informer
Arquitectura de transformador optimizada para series temporales largas con un mecanismo de atención probabilístico eficiente y un destilador de dependencias. Diseñada para reducir la complejidad cuadrática de la atención estándar mientras se preserva la capacidad de capturar dependencias a largo plazo.
Transformador de Fusión Temporal (TFT)
Arquitectura híbrida que combina mecanismos de atención con redes de resonancia para la previsión de series temporales multivariadas. Integra variables estáticas y controles de interpretabilidad para comprender las relaciones entre las diferentes series temporales.
Autoformer
Arquitectura de transformador con un mecanismo de autocorrelación profunda que reemplaza la atención estándar para una mejor captura de las dependencias temporales. Utiliza una descomposición de series temporales para separar las tendencias y la estacionalidad, mejorando así la precisión de las predicciones.
Atención Cruzada para Series Multivariadas
Mecanismo de atención que modela las interacciones entre diferentes variables temporales en series multivariadas. Permite al modelo descubrir y explotar las relaciones entre series para mejorar la precisión de las predicciones.
Ventana de Atención Temporal
Técnica que limita el alcance de la atención a una ventana temporal específica para reducir la complejidad computacional y centrarse en las dependencias relevantes. Particularmente útil para series temporales muy largas donde las dependencias lejanas son menos importantes.
Embedding de Parches de Series Temporales
Proceso de transformación de segmentos de series temporales en vectores de embedding que sirven como entrada a las capas transformer. Permite reducir la dimensionalidad de los datos mientras se preservan los patrones temporales importantes.
Transformer de Descomposición Estacional
Arquitectura que integra una descomposición estacional explícita en el pipeline del transformer para modelar mejor los patrones cíclicos. Separa las series en componentes de tendencia, estacional y residual antes de la aplicación de los mecanismos de atención.
Atención Eficiente para Series Temporales
Variantes de atención optimizadas para series temporales que reducen la complejidad computacional de O(n²) a O(n) o O(n log n). Incluyen enfoques como Performer, Linformer o Reformer adaptados específicamente a los datos temporales.
Transformer de Selección de Variables
Mecanismo que aprende a seleccionar dinámicamente las variables más relevantes en cada paso temporal para la predicción. Utiliza pesos de atención para modelar la importancia variable de las características a lo largo del tiempo.
Autoatención Temporal
Mecanismo donde cada punto temporal calcula su importancia en relación con todos los demás puntos de la misma serie. Permite capturar dependencias complejas y de largo alcance sin las limitaciones de los modelos RNN tradicionales.
Atención Gated para Series Temporales
Mecanismo de atención que utiliza compuertas para controlar selectivamente el flujo de información temporal en las arquitecturas transformer. Mejora la capacidad del modelo para concentrarse en los períodos relevantes mientras ignora el ruido temporal.
Atención Temporal Jerárquica
Arquitectura de atención que opera en múltiples escalas temporales simultáneamente para capturar patrones a corto, medio y largo plazo. Combina la información de diferentes resoluciones temporales para una comprensión completa de las dinámicas secuenciales.
Atención Adaptativa por Frecuencia
Mecanismo que adapta la atención en función de las frecuencias dominantes en las series temporales analizadas. Combina los enfoques temporales y frecuenciales para una mejor modelización de los patrones periódicos y cíclicos.